Uber שרפה את כל תקציב כתיבת הקוד ב-AI שלה ב-4 חודשים
עלויות כתיבת קוד באמצעות AI עולות במהירות.
Uber הוציאה את כל תקציב ה-Claude Code שלה לשנת 2026 כבר באפריל. הם נאלצו להגביל את הוצאות העובדים ל-$1,500 לחודש.
נתונים אחרים מראים מגמה אדירה:
- Gartner מציינת כי 23% מהמובילים הטכנולוגיים מוציאים בין $200 ל-$500 למפתח מדי חודש על tokens.
- GitHub Copilot עבר לחיוב מבוסס שימוש.
- חברות מובילות מוציאות $7,500 לעובד מדי חודש על AI.
הבעיה פשוטה. תהליכי עבודה אג'נטיים (Agentic workflows) צורכים tokens מהר מדי. אם משתמשים במודל יקר אחד לכל משימה, מבזבזים כסף.
ראיתי את זה קורה עם ההוצאות שלי. החשבון שלי על כתיבת קוד ב-AI הגיע ל-$10,000 לחודש.
השתמשתי ב-Claude Opus לכל דבר. השתמשתי בו לתכנון קוד, כתיבת טסטים, עיצוב קבצים ושינוי שמות של משתנים.
זה כמו לשכור אדריכל בכיר כדי להזיז רהיטים. העבודה מתבצעת, אבל משלמים יותר מדי.
ניתחתי את השימוש שלי ומצאתי דפוס:
- 15% מהמשימות דרשו חשיבה (reasoning) ברמה גבוהה.
- 25% מהמשימות דרשו יכולות בדרגת ביניים.
- 60% מהמשימות היו מכניות.
ה-60% האלה של העבודה לא זקוקים למודל frontier. מודלים קטנים יכולים לעשות זאת בעלות נמוכה בהרבה.
צוותים חכמים מפנים משימות למודל הנכון:
- Tier 1 (Frontier Models): השתמשו בהם לארכיטקטורה, באגים מורכבים ואבטחה.
- Tier 2 (Mid-Tier Models): השתמשו בהם למימוש פיצ'רים וביקורת קוד (code reviews).
- Tier 3 (Fast/Cheap Models): השתמשו בהם לעיצוב, תיעוד וקוד תבניתי (boilerplate).
עברתי לשיטה הזו. ההוצאה החודשית שלי ירדה מ-$10,000 ל-$3,000. איכות התוצרים שלי נשארה זהה.
איך מתחילים:
- תעדו את ה-prompts של ה-API שלכם למשך שבוע אחד.
- חפשו ניפוח של הקונטקסט (context bloat) או לולאות חשיבה מיותרות.
- הפנו משימות לפי סוג המשימה, לא לפי סשן. תהליך עבודה בודד צריך להשתמש במודלים שונים בשלבים שונים.
החברות שמצליחות עם AI לא רק מוציאות יותר. הן מוציאות חכם יותר. הן משלבות ומערבבות מודלים כדי לשמור על עלויות נמוכות.
תפסיקו לשלם על חשיבה יקרה עבור משימות פשוטות.
קהילת למידה אופציונלית: https://t.me/GyaanSetuAi